Professional Documents
Culture Documents
Uji Akurasi Dataset Pasien Pasca Operasi
Uji Akurasi Dataset Pasien Pasca Operasi
1, Februari 2020
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v7i1.1761
Hal 134-139
Uji Akurasi Dataset Pasien Pasca Operasi Menggunakan Algoritma Naïve Bayes
Menggunakan Weka Tools
M. Rahmadi, Fazriyanor Kaurie, Tuti Susanti
Jurusan Sistem Informasi, Fakultas Ilmu Komputer, Universitas Darwan Ali, Jakarta, Indonesia
Email: 1muhammad.rahmadi.mr@gmail.com, 2fazriyanorkaurie@gmail.com, 3susanty.tuty14@gmail.com
Submitted 03-02-2020; Accepted 09-02-2020; Published 15-02-2020
Abstrak
Data set pasien pasca operasi yang diambil untuk pengujian data ini bersumber dari repositori UCI pada website
https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient. Berdasarkan alamat website tersebut, penelitian dilakukan oleh Sharon
Summers, School of Nursing, University of Kansas, Medical Center, Kansas City, KS 66160 dan Linda Woolery, School of Nursing,
University of Missouri, Columbia, MO 6521. Jumlah atribut dari data set ini ada 8 dan 1 class, atribut yang dimaksud antara lain; L-
CORE (suhu internal pasien dalam C), L-SURF (suhu permukaan pasien dalam C), L-O2 (saturasi oksigen dalam %), L-BP (pengukuran
terakhir tekanan darah), SURF-STBL (stabilitas suhu permukaan pasien), CORE-STBL (stabilitas pasien), BP-STBL (stabilitas tekanan
darah pasien), KENYAMANAN (persepsi kenyamanan pasien saat pulang, yang diukur sebagai bilangan bulat antara 0 dan 20) dan
class keputusan ADM- DECS/keputusan keluar pasien dengan keterangan (I = pasien dikirim ke unit perawatan intensif, S = pasien
bersiap untuk pulang, A = pasien dikirim ke general hospital floor).
Kata Kunci: Data Mining, Algorithm, Naïve Bayes, Post-Operative, Experimenter
Abstract
Postoperative patient data sets taken for testing of this data are sourced from the UCI repository on the website
https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient. Based on the website address, the study was conducted by Sharon
Summers, School of Nursing, University of Kansas, Medical Center, Kansas City, KS 66160 and Linda Woolery, School of Nursing,
University of Missouri, Columbia, MO 6521. Number of attributes from this data set there are 8 and 1 class, the attributes in question
include; L-CORE (patient's internal temperature in C), L-SURF (patient's surface temperature in C), L-O2 (oxygen saturation in%), L-
BP (last measurement of blood pressure), SURF-STBL (stability of the patient's surface temperature ), CORE-STBL (stability of the
patient), BP-STBL (stability of the patient's blood pressure), COMFORT (perceived comfort of the patient at discharge, measured as an
integer between 0 and 20) and ADM-DECS decision class / patient exit decision with information (I = patient sent to intensive care unit,
S = patient ready to go home, A = patient sent to general hospital floor).
Keywords: Data Mining, Algorithm, Naïve Bayes, Post-Operative, Experimenter
1. PENDAHULUAN
Setiap suatu peristiwa ataupun kejadian, pada umumnya memiliki sebuah data, salah satunya adalah data pada pasien pasca
operasi. Kebanyakan dari orang-orang yang mau melakukan operasi hanya berfokus pada keberhasilan suatu operasi dan
kembali pulih seperti semula.
Namun, masih banyak yang belum menyadari bahwa pemulihan setelah operasi dilakukan juga bagian yang harus
dipersiapkan dengan baik, mulai dari efek samping setelah melakukan operasi yang bisa membuat tubuh seseorang merasa
tidak nyaman dan bahkan mungkin adanya risiko komplikasi setelah melakukan operasi tersebut yang bahkan sampai harus
meninggal dunia.
Beberapa kasus yang sering terjadi setelah melakukan operasi, biasanya pasien mengeluh karena susahnya buang air
kecil yang di tandai dengan rasa perih dan sebagainya pada saat buang air kecil.
Selain susah buang air kecil, biasanya beberapa pasien mengeluhkan sakit pada tenggorokan mereka, hal ini
kemungkinan dikarenakan pada sebelum dan saat operasi pasien disuruh untuk berpuasa sehingga hal tersebut membuat
beberapa pasien merasa dehidrasi dan masih ada beberapa lagi dari efek samping dari pasien pasca operasi, seperti mual,
muntah-muntah dan bahkan ada pasien yang demam setelah melakukan operasi.
Menurut Mulyono (2008) pemulihan pasien pasca operasi membutuhkan waktu rata-rata 72,45 menit [1], sehingga
pasien akan merasakan nyeri yang hebat rata-rata pada dua jam pertama sesudah operasi karena pengaruh obat anestesi
sudah hilang (Potter & Perry, 2010) [2]. Bentuk nyeri yang dialami oleh klien pasca operasi adalah nyeri yang terjadi
karena adanya luka insisi bekas pembedahan (Perry & Potter, 2006) [2].
Menurut penelitian Subekti et al, (2005) laporan dari “The Anesthesia Study Commission of the Philadelphia County
Medical Society” pada tahun 1947 yang melaporkan bahwa selama 11 tahun penelitian ternyata hampir setengah dari
kematian post operasi terjadi pada 24 jam pertama setelah pembedahan dan minimal sepertiga dari kematian yang terjadi
akibat komplikasi pasca operasi.
Studi prospektif yang baru juga mengatakan bahwa lebih dari 12.000 pasien yang telah dilaporkan, ternyata 7% dari
komplikasi yang bermakna terjadi di ruang pulih sadar dan sampai dengan berakibat fatal [3].
Dari beberapa penjelasan dari pasien pasca operasi tersebut, tentunya sebuah rumah sakit yang bersangkutan
merekam atau menulis kejadian tersebut untuk dijadikan sebuah data yang kemudian dijadikan lagi sebagai bahan
pembelajaran atau perbandingan terhadap penanganan pasien operasi selanjutnya.
Dari data tersebut, tidak jarang juga dijadikan sebagai bahan untuk penelitian ilmiah dan sebagai contoh adalah data
yang yang di ambil dari repositori UCI pada website https://archive.ics.uci.edu/ml/datasets/Post-Operative+Patient yang
dijadikan sebagai bahan penelitian pada jurnal ini, dimana di sini terdapat 90 set data dengan jumlah atributnya 8 dan 1
class.
Pada atribut tersebut menyebutkan keadaan dari pasien pasca operasi berdasarkan dari suhu internal dari tubuh
pasien ataupun suhu permukaan dari tubuh pasien, tekanan darah terakhir kali dilakukan pengecekan, dan stabilitas
keadaan dari pasien pasca operasi serta ada sebuah class yang menentukan pasien pasca operasi tersebut apakah pasien
tersebut sudah dibolehkan untuk pulang atau harus melakukan perawatan intensif lagi setelah pasca operasi.
Dari set data yang telah di peroleh tersebut, selanjutnya dapat dijadikan sebagai sebuah penelitian atau pengujian
nilai akurasi dari dataset yang dituangkan dalam jurnal ini.
Dalam mengukur keakuratan dari data tersebut, dapat digunakan sebuah algoritma Naïve Bayes. Algoritma Naïve
Bayes adalah sebuah metode yang dapat digunakan sebagai sebuah pengklasifikasian data dengan menggunakan metode
probabilitas dan statistik. Biasanya, ciri utama dari metode Naïve Bayes adalah memiliki sebuah asumsi yang sangat kuat
terhadap independensi dari masing-masing suatu kejadian/kondisi.
Adapun keuntungan dari penggunaan metode ini adalah, bahwa metode ini cukup membutuhkan jumlah data yang
tidak terlalu besar (training data) untuk menentukan suatu estimasi dari sebuah parameter dalam proses pengklasifikasian.
Untuk mengimplementasikan metode Naïve Bayes data-data haruslah terlebih dahulu di konversi menjadi bentuk diskrit
dengan cara dikelompokan.
2. METODE PENELITIAN
2.1 Data Mining
Data mining, sering juga disebut Knowledge Discovery In Database (KDD) adalah kegiatan yang meliputi pengumpulan,
pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam data berukuran besar. Keluaran dari data
mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Saat ini istilah pengenalan pola (pattern
recognition) jarang digunakan karena termasuk bagian dari data mining (Prasetyo, 2012) [4].
Berdasarkan fungsinya, data mining dikelompokan menjadi 6 yaitu deskripsi, estimasi, prediksi, klasifikasi,
clustering, dan asosiasi (Larose, 2005). Klasifikasi (taksonomi) adalah proses menempatkan objek tertentu (konsep) dalam
satu set kategori, berdasarkan masing-masing objek (konsep) property (Gorunescu, 2011).
Proses klasifikasi didasarkan pada empat komponen mendasar yaitu kelas, prediktor, training set, dan pengujian
dataset. Di antara model klasifikasi yang paling popular adalah Decision/Classification Trees, Bayesian Classifiers/Naïve
Bayes Classifiers, Neural Networks, Statistical Analysis, Genetic Algorithms, Rough Sets, K-Nearest Neighbor Classifier,
Rule based Methods, Memory Based Reasoning, Support Vector Machines (Gorunescu, 2011) [5].
2.2 Pasien Pasca Operasi (Post Operative)
Post Operative adalah masa setelah dilakukan pembedahan yang dimulai saat pasien dipindahkan ke ruang pemulihan dan
berakhir sampai evaluasi selanjutnya (Uliyah &Hidayat, 2008) [6]. Adapun tahapan dari pasien pasca operasi yang dimana
dimulai dari memindahkan pasien dari ruangan bedah ke unit pasca operasi dan berakhir saat pasien pulang atau tetap
melakukan perawatan intensif karena beberapa hal dan sebagainya.
Adapun jenis-jenis operasi Menurut fungsinya dan tujuannya, antara lain (Potter dan Perry 2006) :
a) Diagnostik: biopsi, laparotomi eksplorasi.
b) Kuratif (ablatif): tumor, appendiktom.
c) Reparatif: memperbaiki luka multiple .
d) Rekonstruktif: mamoplasti, perbaikan wajah.
e) Paliatif: menghilangkan nyeri.
f) Transplantasi: penanaman organ tubuh untuk menggantikan organ atau struktur tubuh yang malfungsi [6].
Komplikasi Pasca Operasi, menurut Baradero (2008) komplikasi post operasi yang akan muncul antara lain yaitu
hipotensi dan hipertensi. Hipotensi didefinisikan sebagai tekanan darah systole kurang dari 70 mmHg atau turun lebih dari
25% dari nilai sebelumnya.
Hipotensi dapat disebabkan oleh hipovolemia yang diakibatkan oleh perdarahan dan overdosis obat anestetika.
Hipertensi disebabkan oleh analgesik dan hipnosis yang tidak adekuat, batuk, penyakit hipertensi yang tidak diterapi, dan
ventilasi yang tidak kuat [6].
Sedangkan menurut Majid, (2011) komplikasi post operasi adalah perdarahan dengan manifestasi klinis yaitu
gelisah, gundah, terus bergerak, merasa haus, kulit dingin-basah-pucat, nadi meningkat, suhu turun, pernafasan cepat dan
dalam, bibir dan konjungtiva pucat dan pasien melemah [6].
2.3 Metode Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
Dalam mencapai tujuan tersebut, proses klasifikasi membentuk suatu model yang mampu membedakan data ke dalam
kelas-kelas yang berbeda berdasarkan aturan atau fungsi tertentu. Model itu sendiri bisa berupa aturan “jikamaka”, berupa
pohon keputusan, atau formula matedies (Bustami, 2014) [7].
Nilai_Akurasi = (1)
4. KESIMPULAN
Berdasarkan hasil uji eksperimenter dan pembahasan yang telah dilakukan diatas, adapun kesimpulan yang diperoleh dari
pengujian dataset pasien pasca operasi (post operative), yaitu :
a. Dari hasil perhitungan eksperimenter yang telah dilakukan, maka hasil atau nilai akurasi yang didapatkan adalah 0,510.
b. Hasil atau nilai akurasi yang diperoleh merupakan nilai dari dataset pasien pasca operasi yang diperoleh dari repositori
UCI (Universitas California, Invene) yang dihitung dengan metode Naïve Bayes dengan menggunakan tools dari Weka.
c. Pada eksperimenter uji akurasi di atas menggunakan Cross-validation, number of folds adalah 10 dengan metode
classification dan untuk Iteration Control, Number of repetitions-nya adalah 30. Yang artinya adalah, untuk
eksperimen yang dilakukan tersebut diatas diatur dengan menggunakan validasi silang sebanyak 10 putaran dan setiap
kombinasi algoritma dan datasetnya dijalankan sebanyak 30 kali kontrol iterasi.
d. Selain menggunakan algoritma Naïve Bayes untuk melakukan uji akurasi maupun klasifikasi dataset, dapat juga
menggunakan algoritma lainnya untuk melakukan klasifikasi data, contoh seperti algoritma J48, HoeffdingTree dan
lain-lain.
REFERENCES
[1] N. Suhartini, K. Maykel, and J. Rottie, “PENGARUH TEKNIK RELAKSASI TERHADAP INTENSITAS NYERI PADA PASIEN POST
OPERASI FRAKTUR DI RUANG IRNINA A BLU RSUP PROF Dr. R.D KANDOU MANADO,” ejournal keperawatan (e-Kp), vol. 1, pp. 1–6,
2013.
[2] M. S. Rohmayani and J. Suwito, “INTENSITAS NYERI KLIEN PASCA OPERASI MAYOR DI RUMAH SAKIT ISLAM JEMURSARI
SURABAYA,” J. KEPERAWATAN, vol. X, no. 2, pp. 91–97, 2017.
[3] S. et Al, “No Title,” Anesth. Study Comm. Philadelphia Cty. Med. Soc. 1947, vol. x, pp. 1–7, 2005.
[4] M. Sabransyah, Y. N. Nasution, and D. Tisna, “Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung Naive Bayes Method for a
Heart Risk Disease Prediction Application,” J. EKSPONENSIAL, vol. 8, pp. 111–118, 2017.
[5] W. D. Septiani, P. Studi, and M. Informatika, “KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5DAN NAIVE
BAYESUNTUK PREDIKSI PENYAKIT HEPATITIS,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 76–84, 2017.
[6] P. Studi and T. Informatika, “Analisis Pola Pemilihan Konsentrasi Ilmu Jurusan Sistem Informasi Di STMIK TIME,” J. TIMES, vol. VI, no. 2, pp.
37–43, 2017.
[7] D. Novianti, “Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner,” J. Komput. dan Inform. Akad. Bina
Saran Inform., vol. XXI, no. 1, 2019.